영상 분류 분야에서 신경망의 강건성은 무엇보다도 중요하다. 그러나 영상 특성의 변화로 인해 발생하는 오분류와 같은 과제는 여전히 지속되고 있다. 이에 따라 연구자들은 도메인 시프트 문제를 해결하고 분류 성능을 향상시키기 위한 해법을 적극적으로 모색하고 있다. 특히 조직병리학 맥락에서 전처리 슬라이드 영상(whole-slide image, WSI) 데이터에서 두드러지게 나타나는 도메인 시프트는 WSI 스캐너의 차이와 WSIs의 상태(status) 차이에 의해 더욱 악화된다. 본 연구는 공개 데이터셋인 Camelyon16과 자체 보유(in-house) 데이터셋을 활용하여 유방 림프절의 종양 검출에서 겪는 도메인 시프트에 초점을 맞춘다. 이 문제를 해결하기 위해 우리는 도메인 간 대조 임베딩 정렬(contrastive embedding alignment)을 기반으로 한 간단하면서도 효과적인 자기-지식 증류(self-knowledge distillation) 접근법을 제안한다. 소스 데이터로부터 타깃 데이터로 지식을 전이함으로써, 실험 결과는 도메인 시프트에 대한 현저한 개선을 보여주었으며, WSI 기반 영상 분류 시스템의 강건성을 강화하는 데 유망한 통찰을 제공한다. 이러한 결과는 조직병리학적 WSI 분석에서 종양 검출의 정확성과 신뢰성을 향상시키는 데 중요한 함의를 갖는다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.